KI-gestützte Produktdatenpflege im Onlineshop: Wo Automatisierung heute schon Zeit spart

Hunderte Artikel, dutzende Attribute pro Produkt, drei Systeme, die alle ihre eigene Wahrheit über denselben Artikel behaupten – wer einen wachsenden Onlineshop betreibt, kennt die Mühe der täglichen Produktdatenpflege. KI-gestützte Produktdatenpflege verspricht Entlastung, doch zwischen Tool-Werbung und echtem Nutzen liegt oft eine große Lücke. Dieser Artikel ordnet ehrlich ein, welche Teilschritte heute zuverlässig automatisiert laufen und wo weiterhin ein Mensch gegenprüfen muss.

KI-gestützte Produktdatenpflege im Onlineshop: Wo Automatisierung heute wirklich ansetzt

Die Ausgangslage sieht in vielen Unternehmen ähnlich aus: Produktstammdaten liegen im Warenwirtschaftssystem (ERP), Beschreibungen und Bilder werden im Shop gepflegt, Kampagnentexte entstehen im Marketing-Tool – und keines der Systeme weiß zuverlässig, was im anderen gerade aktuell ist. Bei 500 oder 5.000 Artikeln wird aus dieser Konstellation schnell eine Vollzeitaufgabe für mehrere Mitarbeitende.

Künstliche Intelligenz (KI) wird hier oft als Komplettlösung verkauft. Realistisch betrachtet ersetzt sie nicht die gesamte Pflege, sondern übernimmt einzelne, klar abgrenzbare Teilschritte zuverlässig – vorausgesetzt, die Datenbasis und die Schnittstellen stimmen. Wer das versteht, kann gezielt dort automatisieren, wo es wirklich Zeit spart, statt enttäuscht festzustellen, dass ein Tool nicht hält, was der Vertrieb versprochen hat.

Diese Teilschritte lassen sich heute automatisieren

In unseren Projekten zeigt sich ein wiederkehrendes Muster: Je strukturierter die Ausgangsdaten, desto zuverlässiger funktioniert die Automatisierung. Konkret lassen sich diese Aufgaben heute produktiv einsetzen:

• Texterstellung aus Attributen: Aus technischen Eckdaten (Material, Maße, Funktion) generiert ein KI-Modell eine erste Produktbeschreibung. Die Rohfassung steht oft binnen Sekunden, muss aber noch redaktionell geprüft werden.
• Kategorisierung: Anhand bestehender Taxonomien ordnet die KI neue Artikel automatisch passenden Kategorien zu. Das funktioniert besonders gut, wenn die Kategoriestruktur bereits sauber gepflegt ist – bei chaotischen Altkategorien wird auch die automatische Zuordnung ungenau.
• Attribut-Befüllung: Fehlende Werte, etwa aus Lieferanten-Datenblättern, lassen sich extrahieren und in die passenden Shop-Felder übertragen. Das spart besonders bei großen Sortimentswechseln Zeit.
• Alt-Texte für Produktbilder: Bildbeschreibungen für Barrierefreiheit und Suchmaschinen entstehen automatisiert aus dem Bildinhalt – eine kleine, aber oft vernachlässigte Fleißarbeit.
• Dubletten-Erkennung: Ähnliche oder doppelt angelegte Artikel lassen sich automatisiert erkennen und markieren, bevor sie im Shop für Verwirrung sorgen.

Jeder dieser Schritte reduziert manuelle Handarbeit – aber keiner davon läuft komplett ohne Kontrolle. Mehr zu unseren Leistungen rund um KI im E-Commerce finden Sie auf der entsprechenden Leistungsseite.

Wo weiterhin Handarbeit nötig ist

Genau hier trennt sich der nüchterne Blick vom Tool-Hype. Drei Bereiche bleiben nach aktuellem Stand menschliche Aufgabe:

Qualitätskontrolle. KI-generierte Texte und Kategorisierungen brauchen eine Prüfinstanz. Ein Modell kann plausibel klingende, aber sachlich falsche Angaben erzeugen – in der Fachsprache als KI-Halluzination bekannt. Ohne eine Kontrollinstanz, die solche Fehler abfängt, landen falsche Produktangaben live im Shop. Dieses Prinzip, bei dem ein Mensch die Ausgabe der KI gegenprüft, bevor sie wirksam wird, nennt man Human-in-the-Loop.

Markenrelevante Texte. Produktbeschreibungen für Kernsortimente, Kampagnentexte oder Inhalte mit starkem Markenbezug profitieren von menschlicher Tonalität. Eine KI trifft selten den genauen Markenklang auf Anhieb – hier bleibt die Automatisierung ein Entwurfswerkzeug, keine Endlösung.

Sonderfälle. Komplexe B2B-Produkte mit vielen Variantenkombinationen, Sonderanfertigungen oder Artikel mit rechtlich sensiblen Angaben (etwa Nährwert- oder Sicherheitshinweise) benötigen weiterhin manuelle Prüfung. Die Fehlerkosten sind hier höher als die eingesparte Zeit.

Wer diese Grenzen ignoriert und auf vollautomatische Pflege ohne Kontrolle setzt, handelt sich schnell mehr Korrekturaufwand ein, als er eingespart hat.

Praxisbeispiel: Wenn Artikel nicht automatisch im Shop erscheinen

Ein Beispiel aus der Projektarbeit zeigt, wie wichtig die ehrliche Einordnung von Automatisierung ist. In einem Projekt wurden neue Artikel im Warenwirtschaftssystem angelegt und sollten automatisch im Shopware-Shop erscheinen. Für eine Weile passierte genau das nicht – die Artikel blieben offline.

Die erste Vermutung lag nahe: fehlende Sichtbarkeitseinstellungen, nicht zugeordnete Kategorien oder fehlende Bilder. Übergangsweise wurden die betroffenen Artikel deshalb manuell im Shop-Backend gepflegt, um sie kurzfristig online zu bringen. Die eigentliche Ursache war allerdings eine andere: die Verarbeitung zwischen den beiden Systemen läuft asynchron, also zeitversetzt und nicht in Echtzeit. Nach einer gewissen Verarbeitungszeit erschienen die Artikel korrekt und vollständig im Admin-Bereich – die Automatisierung hatte keinen Fehler, sie brauchte schlicht Zeit zum Einschwingen.

Die Lehre daraus gehört in jeden ehrlichen Artikel über Automatisierung: Automatisierte Prozesse zwischen mehreren Systemen benötigen eine gewisse Verarbeitungszeit und eine funktionierende Fehlerkontrolle. Wer das nicht einplant, hält eine funktionierende Automatisierung fälschlich für defekt – und verschenkt Zeit mit manuellen Workarounds, die eigentlich unnötig wären. Wie viel Marge allein durch solche manuellen Prozesse verloren geht, beleuchten wir ausführlicher im Beitrag Manuelle Prozesse und ihre Kosten für die Marge im E-Commerce.

Schnittstellen zwischen Shop, ERP und Marketing als Erfolgsfaktor

Der Pain-Point Datensilos zwischen Shop, ERP und Marketing ist kein Nebenschauplatz – er ist die Voraussetzung dafür, dass Automatisierung überhaupt funktioniert. Eine KI kann nur so gut arbeiten wie die Daten, die sie erreichen. Fließen Produktdaten nicht zuverlässig zwischen den Systemen, entstehen genau die Verzögerungen und Inkonsistenzen, die im vorherigen Abschnitt beschrieben wurden.

Entscheidend ist die Qualität der Schnittstellen zwischen den beteiligten Systemen. Eine saubere Schnittstelle überträgt Daten strukturiert, dokumentiert Fehler nachvollziehbar und erlaubt es, den Status einer Übertragung jederzeit zu prüfen. Fragile, historisch gewachsene Verbindungen zwischen ERP und Shop sind dagegen der häufigste Grund, warum Automatisierungsprojekte ins Stocken geraten – nicht die KI selbst.

Für IT-Leiter ist das keine Überraschung, sondern eine vertraute Mahnung: Technische Schulden an der Schnittstelle rächen sich genau dann, wenn ein neuer Prozess darauf aufsetzen soll. Wer Produktdatenpflege automatisieren will, sollte deshalb zuerst die Schnittstellenqualität prüfen – nicht zuletzt das Kapitel, das Automatisierungs-Workflows strukturiert statt improvisiert umsetzt. Für den Aufbau solcher Workflows setzen wir unter anderem auf Prozessautomatisierung mit n8n.

Schritt für Schritt: So starten Sie mit automatisierter Produktdatenpflege

Statt alles auf einmal umzustellen, empfiehlt sich ein priorisiertes Vorgehen nach Aufwand und Nutzen:

1. Bestandsaufnahme der Datenquellen. Klären Sie, welches System die führende Wahrheit für welches Datenfeld ist – ERP für Stammdaten, Shop für Verkaufstexte, Marketing-Tool für Kampagneninhalte. Ohne diese Klarheit automatisiert man widersprüchliche Daten nur schneller.
2. Schnittstellen prüfen. Bevor Sie Automatisierung aufsetzen, testen Sie, ob Daten vollständig, zeitnah und fehlerfrei zwischen den Systemen ankommen. Das ist die Grundlage, nicht die Kür.
3. Mit einem Teilschritt starten. Beginnen Sie mit einer gut abgrenzbaren Aufgabe, etwa der automatisierten Erstellung von Alt-Texten oder der Dubletten-Erkennung – statt direkt die komplette Textproduktion zu automatisieren.
4. Kontrollinstanz einbauen. Legen Sie fest, wer generierte Inhalte vor der Veröffentlichung prüft und wie Fehler zurückgemeldet werden.
5. Verarbeitungszeiten einplanen. Rechnen Sie bei systemübergreifenden Prozessen mit einer gewissen Verzögerung, bevor Sie einen vermeintlichen Fehler suchen.
6. Schrittweise erweitern. Erst wenn ein Teilschritt zuverlässig läuft, erweitern Sie auf den nächsten.

Welche Anwendungsfälle sich für Ihr Unternehmen konkret lohnen, lässt sich in einem strukturierten KI-Use-Case-Assessment klären, statt auf Verdacht zu investieren. Weitere Praxisbeispiele und Kennzahlen zu KI-Anwendungsfällen im E-Commerce finden Sie im Beitrag KI im E-Commerce: ROI und Use Cases.